Deepfake głosowy (Voice Spoofing) – jak cyberprzestępcy podszywają się pod zarząd i rodzinę

Znajomy głos w słuchawce i presja czasu: realne straty bez włamania do systemu

Księgowa średniej wielkości firmy produkcyjnej odbiera telefon w piątkowe popołudnie, na pół godziny przed zamknięciem bankowych sesji rozliczeniowych. Na ekranie smartfona wyświetla się imię i nazwisko dyrektora generalnego, a z głośnika dobiega jego charakterystyczny, lekko zachrypnięty głos, w którym wyraźnie słychać zdenerwowanie. Prezes tłumaczy, że finalizuje właśnie poufną transakcję przejęcia mniejszego konkurenta, a warunkiem utrzymania kontraktu jest natychmiastowe przelanie zaliczki w wysokości 180 tysięcy złotych na wskazany rachunek escrow. Procedura musi ominąć standardowy obieg akceptacji w systemie ERP ze względu na rzekomą klauzulę tajności. Głos instruuje, pogania, a w tle słychać nawet typowe odgłosy lotniska, na którym decydent faktycznie powinien się w tej chwili znajdować. Pieniądze wychodzą z konta firmy w kilkanaście minut. Prawdziwy prezes w tym samym czasie siedzi w samolocie z wyłączonym telefonem i nie ma pojęcia, że jego tożsamość akustyczna została właśnie wykorzystana do kradzieży kapitału obrotowego przedsiębiorstwa.

Powyższy scenariusz nie jest fragmentem powieści sensacyjnej, lecz codzienną rzeczywistością incydentów z użyciem deepfake’ów głosowych (voice spoofing). Przez dekady działy IT inwestowały miliony w zaawansowane zapory sieciowe, systemy EDR (Endpoint Detection and Response) oraz szyfrowanie poczty elektronicznej. Cyberprzestępcy doszli jednak do wniosku, że najprostszą drogą do ominięcia cyfrowych fortyfikacji nie jest łamanie kryptografii, lecz bezpośrednie przejęcie kontroli nad kanałem audio – medium, któremu ludzie ewolucyjnie i psychologicznie ufają najbardziej.

Zaufanie do słuchu jako najsłabsze ogniwo bezpieczeństwa

Ludzki mózg przetwarza sygnały dźwiękowe w sposób fundamentalnie odmienny od tekstu pisanego. Czytając podejrzaną wiadomość e-mail, podświadomie analizujemy konstrukcję zdań, literówki, adres nadawcy oraz nietypowe nagłówki. Słysząc intonację, akcent, pauzy oddechowe oraz unikalną barwę głosu osoby, z którą współpracujemy od lat lub którą darzymy bezgranicznym zaufaniem w życiu prywatnym, natychmiast obniżamy czujność. Reakcja emocjonalna wyprzedza logiczną analizę faktów. Zjawisko to wynika z działania ewolucyjnych mechanizmów rozpoznawania „swojego”, które kształtowały się na długo przed wynalezieniem pisma. Cyberprzestępcy wykorzystują ten biologiczny skrót myślowy z bezwzględną precyzją, łącząc manipulację dźwiękową z technikami inżynierii społecznej. ^[3]

Scenariusz biznesowy: fałszywe polecenie z samego szczytu hierarchii

W środowisku korporacyjnym atak typu CEO fraud wzbogacony o syntezę mowy uderza w fundamenty zarządzania: autorytet, posłuszeństwo i obawę przed konsekwencjami odmowy. Pracownik niższego lub średniego szczebla, postawiony w sytuacji, w której „najważniejsza osoba w organizacji” prosi o pilne działanie z pominięciem reguł, odczuwa potężny dyskomfort poznawczy. Odrzucenie polecenia przełożonego wiąże się w jego percepcji z ryzykiem zwolnienia lub nagany, podczas gdy nagięcie procedur pod dyktando „zweryfikowanego głosem” szefa wydaje się bezpieczniejszym wyjściem z punktu widzenia kariery. W połączeniu z fałszowaniem numeru przychodzącego, pracownik zostaje pozbawiony jakichkolwiek klasycznych przesłanek wskazujących na atak sieciowy.

Scenariusz rodzinny: uderzenie w najsilniejsze emocje i instynkt ratunkowy

Zupełnie inny mechanizm manipulacji uruchamiany jest w atakach na osoby prywatne. Tutaj przestępcy nie odwołują się do hierarchii służbowej, lecz do strachu o życie i zdrowie najbliższych. Dzwoniący „syn” lub „córka”, szlochając do słuchawki, informuje o rzekomym potrąceniu pieszego na pasach, aresztowaniu przez policję lub konieczności natychmiastowego opłacenia prywatnej operacji ratującej życie. Płacz i wzburzenie emocjonalne są idealną zasłoną dymną dla drobnych zniekształceń syntezy mowy generowanej przez sztuczną inteligencję. W ułamku sekundy rodzic lub dziadek przestaje zadawać pytania logiczne i skupia się wyłącznie na zdobyciu gotówki bądź wykonaniu ekspresowego przelewu czy kodu BLIK. W tym scenariuszu straty rzadko ograniczają się do pieniędzy – ofiary zmagają się z długotrwałą traumą psychiczną wynikającą ze skrajnego poczucia zagrożenia. ^[4]

Skąd przestępcy biorą materiał i dlaczego technologia stała się tak tania

Jeszcze dekadę temu proces klonowania głosu wymagał dziesiątek godzin nagrań studyjnej jakości, potężnych klastrów obliczeniowych oraz zaawansowanej wiedzy z zakresu fonetyki akustycznej i uczenia maszynowego. Koszt przygotowania wiarygodnej kopii był tak wysoki, że technologia ta znajdowała się w wyłącznym zasięgu wyspecjalizowanych agencji wywiadowczych lub hollywoodzkich studiów postprodukcyjnych. Dziś bariera wejścia została zredukowana niemal do zera – zarówno pod względem finansowym, jak i technicznym. ^[2]

Kilka sekund nagrania wystarczy do stworzenia wiarygodnej kopii

Współczesne modele sieci neuronowych typu zero-shot voice cloning (takie jak komercyjne platformy syntezy mowy oraz otwarte modele dostępne w repozytoriach deweloperskich) potrzebują zaledwie od 3 do 15 sekund czystego nagrania głosu, aby wyodrębnić jego wektor cech biometrycznych (tzw. speaker embedding). Model nie musi uczyć się każdego słowa od nowa. Zamiast tego mapuje barwę, tembr, częstotliwość podstawową oraz specyfikę artykulacji na uniwersalny model językowy, potrafiący wygenerować dowolny tekst z zachowaniem cech oryginalnego mówcy.

Dla cyberprzestępców pozyskanie próbek audio stało się zadaniem banalnym. W erze powszechnej obecności w sieci materiał do klonowania dostarczamy sami. W przypadku kadry zarządzającej firmami idealnym źródłem są:

• Wystąpienia na konferencjach branżowych transmitowane na YouTube lub LinkedIn,
• Nagrania z kwartalnych telekonferencji wynikowych dla inwestorów,
• Webinary szkoleniowe i wywiady w mediach biznesowych,
• Wypowiedzi w podcastach oraz korporacyjne materiały promocyjne.

W przypadku osób prywatnych przestępcom wystarczą krótkie relacje (Stories) na Instagramie, filmy z TikToka, a nawet nagrania powitania na automatycznej sekretarce poczty głosowej telefonu komórkowego. Co gorsza, zautomatyzowane boty vishingowe mogą zadzwonić na losowy numer i zadać proste pytanie, np. „Czy pan Kowalski?”, tylko po to, by nagrać kilkusekundową odpowiedź „Tak, dzień dobry, słucham?”, która posłuży jako materiał wzorcowy do ataku na kogoś z rodziny tej osoby.

Caller ID spoofing – iluzja znanego numeru w telefonie

Sam sklonowany głos byłby znacznie mniej skuteczny, gdyby połączenie przychodziło z podejrzanego, zagranicznego numeru. Przestępcy łączą więc syntezę mowy z techniką określan

w czasie rzeczywistym. Najskuteczniejszą i zarazem bezpłatną tarczą pozostaje weryfikacja poza pasmem (out-of-band). Wystarczy żelazna reguła

ą jako Caller ID spoofing. Protokół sygnalizacyjny SIP, powszechnie stosowany w telefonii internetowej (VoIP), pozwala nadawcy na swobodne zdefiniowanie pola prezentacji numeru (CLI). Oznacza to, że atakujący może wstrzyknąć w nagłówek połączenia dowolny ciąg cyfr – w tym rzeczywisty numer członka zarządu, partnera biznesowego czy najbliższego krewnego.

Kiedy smartfon odbiorcy rejestruje przychodzące połączenie, system operacyjny dopasowuje fałszywy numer do wpisu w książce adresowej i wyświetla zapisaną nazwę kontaktu oraz przypisane do niej zdjęcie. W ten sposób bariera psychologiczna zostaje całkowicie przełamana jeszcze przed odebraniem połączenia. Odbiorca nie weryfikuje tożsamości rozmówcy, ponieważ widzi znajome dane na ekranie i natychmiast słyszy bezbłędnie odwzorowany głos.

W starciu z tak wyrafinowaną manipulacją technologiczną konwencjonalne metody oceny ryzyka przestają działać w czasie rzeczywistym. Najskuteczniejszą i zarazem bezpłatną tarczą pozostaje weryfikacja poza pasmem (out-of-band). Wystarczy żelazna reguła: każde niestandardowe żądanie finansowe lub operacyjne składane telefonicznie musi zostać natychmiast potwierdzone zupełnie innym kanałem komunikacji – na przykład poprzez ręczne wybranie numeru stacjonarnego, kontakt przez szyfrowany komunikator firmowy czy fizyczną rozmowę.

Dwa światy ataków: korporacyjny CEO fraud i domowe wyłudzenia na emocjach

Choć fundament technologiczny w postaci generatywnych modeli audio pozostaje identyczny, dynamika i wektory uderzenia w środowisku biznesowym oraz prywatnym znacząco się różnią. Zrozumienie tych rozbieżności jest kluczem do wdrożenia właściwych procedur prewencyjnych.

W sektorze korporacyjnym atakujący prowadzą precyzyjny rekonesans (OSINT). Analizują strukturę organizacyjną, zależności służbowe, harmonogramy urlopów oraz kalendarze delegacji osób decyzyjnych. Atak następuje niemal zawsze w momencie, gdy prawdziwy menedżer znajduje się poza biurem lub w podróży, co utrudnia szybką weryfikację. Cyberprzestępcy doskonale operują żargonem branżowym danej firmy, powołują się na realne projekty i wykorzystują zjawisko rozproszonej odpowiedzialności. Pracownik niższego szczebla czuje się wyróżniony zaufaniem „samej góry”, a jednocześnie sparaliżowany strachem przed zakwestionowaniem polecenia prezesa.

Dobrym uzupełnieniem tego tematu jest także poradnik: Cyberprzestępcy i AI – kto szybciej się uczy?.

W sferze domowej napastnicy nie potrzebują skomplikowanej wiedzy procesowej – ich główną bronią jest psychologiczny szantaż i natychmiastowa eskalacja paniki. Scenariusz rodzinny opiera się na wywołaniu tzw. tunelowego widzenia poznawczego. Kiedy matka lub ojciec słyszy płacz własnego dziecka błagającego o pomoc po rzekomym wypadku, kora przedczołowa mózgu – odpowiedzialna za logiczne myślenie i chłodną kalkulację – zostaje zablokowana przez układ limbiczny. W tym stanie ofiara jest w stanie zignorować wszelkie sygnały ostrzegawcze, wypłacić oszczędności życia lub zaciągnąć szybką pożyczkę bankową.

Skuteczne procedury obronne: jak neutralizować manipulację akustyczną

Obrona przed deepfake’ami głosowymi nie wymaga zakupu kosztownych systemów biometrycznych. Najwyższą skuteczność wykazują proste, rygorystycznie egzekwowane procedury behawioralne i organizacyjne.

1. Weryfikacja poza pasmem i zasada podwójnej autoryzacji

W realiach firmowych żadne polecenie modyfikacji rachunku bankowego, przyspieszenia płatności czy realizacji transakcji typu M&A nie może opierać się wyłącznie na rozmowie telefonicznej. Organizacja musi wdrożyć ścisłą zasadę dual-control (czterech oczu):

• Rozłączenie się i samodzielne wybranie numeru do rzekomego nadawcy polecenia z oficjalnej, wewnętrznej książki adresowej (nigdy poprzez funkcję „oddzwoń” w telefonie).
• Potwierdzenie operacji w niezależnym systemie autoryzacyjnym (np. w workflow finansowym ERP lub przez firmowy komunikator ze zweryfikowanym profilem).
• Wymóg podpisu lub zgody drugiego członka zarządu dla każdej transakcji przekraczającej określony próg kwotowy realizowanej w trybie pilnym.

2. Rodzinne hasło bezpieczeństwa (Safe Word)

W relacjach prywatnych najpotężniejszą bronią przeciwko oszustom jest jedno, wcześniej ustalone słowo lub fraza. Może to być nazwa dawnego pupila, zmyślone słowo lub wspomnienie ze wspólnych wakacji, które znają wyłącznie najbliżsi domownicy. Informacja ta nie może pojawić się na profilach w mediach społecznościowych ani w wiadomościach tekstowych.

Zasada działania jest bezwzględna: jeśli dzwoni bliska osoba z dramatyczną prośbą o przesłanie pieniędzy, natychmiast prosimy o podanie ustalonego hasła. Algorytm klonujący głos potrafi powtórzyć intonację i barwę, ale model sztucznej inteligencji kierowany przez oszusta nie zna unikalnego sekretu rodziny. Odmowa podania hasła lub próba zmiany tematu jest jednoznacznym sygnałem do przerwania połączenia.

3. Testy na żywo podczas rozmowy

Współczesne generatory głosu działające w czasie rzeczywistym wprowadzają zauważalne opóźnienia buforowania (zwykle od kilkuset milisekund do kilku sekund) i mają problem z płynnym reagowaniem na niespodziewane bodźce. Jeśli intonacja rozmówcy budzi choćby cień wątpliwości, warto zastosować proste techniki demaskujące:

• Zadanie pytania kontekstowego: „A co wczoraj mówiłeś o obiedzie u babci?” lub „W jakim kolorze kupiłeś ten nowy garnitur?”. Oszust nie posiada wiedzy o drobnych detalach codzienności.
• Przerwanie wypowiedzi nagłym wtrąceniem: Celowe wejście w słowo z nielogicznym pytaniem zmusza operatora deepfake’a do zatrzymania skryptu, co często skutkuje nienaturalną ciszą lub zniekształceniem dźwięku.
• Prośba o nietypowe działanie fonetyczne: Poproszenie rozmówcy o policzenie od tyłu od pięciu do jednego lub wypowiedzenie abstrakcyjnego zdania obnaża ograniczenia syntezatorów mowy.

Czego bezwzględnie unikać w kontakcie z podejrzanym rozmówcą

Błędne reakcje w pierwszych sekundach kontaktu potrafią ułatwić zadanie przestępcom i pogłębić skalę manipulacji. W sytuacji podejrzenia ataku należy wystrzegać się następujących zachowań:

• Oddzwanianie przez kliknięcie historii połączeń: Połączenie zwrotne zrealizowane przez naciśnięcie wpisu w rejestrze smartfona może ponownie trafić do bramki VoIP przestępcy, jeśli wykorzystuje on zaawansowany routing połączeń. Numer należy zawsze wpisać ręcznie lub wybrać z zaufanej listy kontaktów.
• Podpowiadanie faktów i tożsamości: Pytania w stylu „Kacper, czy to ty? Znowu rozbiłeś auto?” dostarczają przestępcy natychmiastowych danych do uwiarygodnienia legendy. To rozmówca ma obowiązek udowodnić, kim jest.
• Pozwalanie na izolację i pośpiech: Napastnicy celowo nakazują „nie mówić nikomu”, „zostać na linii” i nie rozłączać się pod żadnym pozorem. Przerwanie połączenia niszczy ich scenariusz psychologiczny. Rozłączenie się to nie brak szacunku, lecz podstawowy odruch obronny.
• Wchodzenie w dyskusję: Próby moralizowania czy udowadniania oszustowi, że został zdemaskowany, generują dodatkowy materiał audio z naszym głosem, który może zostać nagrany i wykorzystany w kolejnych atakach na innych członków rodziny lub współpracowników. ^[1]

Rekomendacja wdrożeniowa: zasada zerowego zaufania do dźwięku

Rozwój generatywnej sztucznej inteligencji doprowadził do momentu, w którym ludzki głos przestał być wiarygodnym identyfikatorem tożsamości. Podobnie jak lata temu nauczyliśmy się nie ufać nazwie nadawcy w nieszyfrowanych wiadomościach e-mail, tak dziś musimy wdrożyć paradygmat Zero Trust w odniesieniu do każdego kanału audio.

Najtrwalszą ochronę zapewnia instytucjonalizacja nieufności: w firmie w postaci sformalizowanych procedur zatwierdzania przelewów wykluczających ustne polecenia, a w domu – w formie jasnej umowy z bliskimi co do używania hasła bezpieczeństwa. Pojedyncza, krótka rozmowa z zespołem lub rodziną, przeprowadzona w spokojnych warunkach, eliminuje podatność na manipulację, zanim w słuchawce telefonu pojawi się syntetyczny głos z żądaniem natychmiastowego przelewu.

Procedura awaryjna: pierwsze 60 minut po zorientowaniu się, że doszło do oszustwa

Kiedy mechanizmy obronne zawiodą i przelew zostanie zlecony lub poufne dane trafią w ręce oszusta, o ograniczeniu strat decyduje szybkość podjętych działań. W realiach bankowości elektronicznej okno czasowe na skuteczną reakcję jest bardzo wąskie – środki są transferowane na rachunki tzw. słupów lub natychmiast zamieniane na kryptowaluty.

W przypadku podejrzenia, że zrealizowano dyspozycję na podstawie zmanipulowanego połączenia głosowego, należy natychmiast wdrożyć następujące kroki:

1. Kontakt z infolinią bezpieczeństwa banku (nie z ogólnym helpdeskiem): Należy wybrać bezpośredni numer do departamentu przeciwdziałania oszustwom (fraud desk). W zgłoszeniu trzeba wprost zadeklarować podejrzenie nieautoryzowanej transakcji wywołanej socjotechniką (vishing/deepfake) i zażądać uruchomienia procedury recall (odwołania płatności) lub zablokowania środków w międzybankowych sesjach rozliczeniowych (np. Elixir lub SWIFT).
2. Zabezpieczenie technicznego materiału dowodowego:
   • W środowisku korporacyjnym: natychmiastowy kontakt z administratorem sieci telefonicznej w celu zabezpieczenia surowych logów połączenia z centrali PBX/SBC (nagłówki SIP INVITE z pełnym adresem IP serwera przekaźnikowego).
   • W sferze prywatnej: wykonanie zrzutu ekranu rejestru połączeń z widocznym numerem, czasem trwania rozmowy oraz dokładną godziną. Jeśli telefon lub centrala dysponuje funkcją rejestrowania rozmów, plik audio należy zabezpieczyć bez jakiejkolwiek konwersji czy edycji metadanych.
3. Złożenie zawiadomienia o popełnieniu przestępstwa: Zgłoszenie należy skierować do najbliższej jednostki Policji (ze wskazaniem na wydział ds. walki z cyberprzestępczością) oraz równolegle zgłosić incydent do zespołu reagowania na incydenty bezpieczeństwa komputerowego – w Polsce do CSIRT NASK (za pośrednictwem platformy incydent.cert.pl).
4. Wewnętrzny alert operacyjny w organizacji: Jeśli atak dotknął jednego pracownika działu finansowego, niemal pewne jest, że w tym samym czasie przestępcy próbują dotrzeć do innych osób w firmie lub kontrahentów z tej samej bazy kontaktów. Natychmiastowe powiadomienie zespołu eliminuje efekt zaskoczenia przy kolejnych próbach podszycia.

Najważniejsze wnioski

• Deepfake głosowy łączy syntezę mowy z inżynierią społeczną, aby podszyć się pod członka zarządu lub krewnego.
• Przestępcy mogą wykorzystywać publicznie dostępne nagrania głosu, a fałszowanie numeru dodatkowo zwiększa wiarygodność połączenia.
• Presja czasu, autorytet rozmówcy i silne emocje utrudniają logiczną ocenę sytuacji.
• Nietypowe polecenia finansowe lub operacyjne należy zawsze potwierdzać innym kanałem komunikacji, niezależnie od numeru i głosu widocznych podczas połączenia.
• Firmy powinny egzekwować procedury akceptacji przelewów, a osoby prywatne ustalić z bliskimi sposób weryfikacji pilnych próśb.

Źródła

• [1] Federal Trade Commission – Scammers use AI to enhance their family emergency schemes
• [2] Federal Trade Commission – FTC’s Voice Cloning Comment
• [3] Federal Bureau of Investigation – FBI Warns of Increasing Threat of Cyber Criminals Utilizing Artificial Intelligence
• [4] Federal Bureau of Investigation – 2025 IC3 Annual Report